發(fā)布時間：2025-05-01 13:28

　　 人工免疫理論目前被廣泛應用于入侵檢測系統(tǒng),以解決無法識別的未知異常問題,應用最多的是否定選擇算法。傳統(tǒng)的實值否定選擇算法通過隨機方式生成候選檢測器,隨著自體集數(shù)量的增多,成熟檢測器生成的時間復雜度呈指數(shù)級增長,導致訓練階段耗費時間長。為解決檢測器生成過程中時間消耗過長問題,文章提出基于鄰域搜索的實值否定選擇算法(Real-Valued Negative Selection Algorithm Based on Neighborhood Searching,NS-RNSA),通過鄰域搜索算法找到落在候選檢測器鄰域的自體樣本點,利用這些樣本點構(gòu)建新的自體集合,以提高成熟檢測器生成效率。文章以NS-RNSA算法為核心構(gòu)建異常檢測模型NSRNSAADM,在此模型基礎上進行實驗,驗證基于鄰域搜索的否定選擇算法的性能。實驗表明,文章提出的方法在保證檢測率、誤報率的基礎上,能夠降低自體耐受過程所需時間。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 二維空間尋找鄰近點

證明：本文以二維空間為例，如圖1所示。候選檢測器的坐標為(x,y),r、R分別為小圓和大圓的半徑，深色區(qū)域為S1，淺色區(qū)域為S2，在[x-r,x+r]和[y-r,y+r]區(qū)域（即圖中正方形所在區(qū)域）內(nèi)尋找符合條件的自體點（即圖中正方形所在區(qū)域）。1）若自體點全部落在以r為半徑的白....

圖2 NSRNSAADM模型設計

本章提出基于NS-RNSA算法的異常檢測模型NSRNSAADM，從檢測器生成時間方面改進模型的整體運行效率。模型包括訓練階段和檢測階段。訓練階段主要生成能識別異常樣本的檢測器集合，檢測階段利用訓練階段生成的檢測器集合進行輸入樣本的正常/異常判斷。模型設計如圖2所示。1）訓練階段由....

圖3 Cross數(shù)據(jù)集下覆蓋率達到98%時的準確率

模型的訓練集為從自體區(qū)域中選取的1000個點，測試集數(shù)量為1000。在保持半徑變化范圍為0.01～0.05的前提下，檢驗算法的準確率、誤報率等是否仍在可接受的范圍內(nèi)。每種情況下實驗均運行20次，取平均值，結(jié)果如圖3～圖10所示。圖4Cross數(shù)據(jù)集下覆蓋率達到98%時檢測器生成....

圖4 Cross數(shù)據(jù)集下覆蓋率達到98%時檢測器生成時間

圖3Cross數(shù)據(jù)集下覆蓋率達到98%時的準確率圖5Cross數(shù)據(jù)集下覆蓋率為98%時的誤報率

本文編號：4042357